基于多面化分解模型的目标信息获取优化技术*

闫奕名 张晔 高凤娇

(哈尔滨工业大学图像与信息技术研究所，黑龙江哈尔滨150001)

随着遥感信息获取技术的发展，对地观测精细程度要求也不断提高，获取的信息主要面向城市规划、三维可视化电子地图制作和军事侦察等方面［1-3］．传统的卫星遥感或航空遥感单次拍摄获取的地物信息已经远不能满足应用要求，因为遮挡问题及投影变化会造成较大的信息损失，单一观测点获取的信息量是很有限的，三维目标的各个侧面信息不可能完全被获得，而这往往又是人们更想得到的信息．例如，在遥感正投影图中，三维结构和屋顶信息相同但侧面纹理信息不同的两个建筑物是很难区分开的．为实现地物三维空间描述及高真实感可视化，进行多时相多角度观测是十分必要的．然而遥感多时相观测成本相对较高，尤其是无人机(UAV)遥感观测之前，观测方案的规划是必备的环节．传统的无人机规划技术主要局限于动态飞行器的航迹规划［4-6］，主要面向地面动目标的搜索跟踪［7-8］等应用，少数针对观测角度的规划技术主要是以地物目标的三维信息计算为拍摄角度的约束条件［9］．为了进一步获取目标更全面的侧面纹理信息，需要对不同拍摄角度下的信息获取量进行深入的分析和有效的规划，然而遥感较为复杂的观测条件和不同的应用背景约束，使得针对观测角度与信息获取量关系的分析模型，在当前遥感领域是十分匮乏的．因而文中面向目标全方位信息获取优化技术，提出了一种基于多面化分解的目标信息获取量分析模型，根据不同的遥感观测条件，分析不同观测角度下的目标信息获取情况，为观测角度优化规划提供评估标准;进而通过优化算法对该模型进行优化，以实现获取最大化信息量的观测角度规划．

1 无人机遥感信息获取系统中的约束关系分析

文中采用的无人机遥感多时相观测角度规划系统流程图如图1所示，首先为仿真无人机遥感图像获取情况，分析遥感观测时的约束关系并作为信息获取模型构建的依据;进而采用文中提出的多面化分解模型，针对不同观测角度下所获取的目标信息量进行分析;最后以最大化信息获取量或最小化信息损失为评价准则，利用蜂群算法搜索模型最优解，获取最佳规划方案．提高遥感观测效率，实现以最少的观测数获取目标最大化的信息，为目标真实感三维可视化及精确识别提供可靠保证．

图1 无人机遥感多时相观测角度规划系统Fig．1 Observing-angle planning system for multi-temporal UAV remote sensing

不同于卫星遥感的正视图像，无人机遥感可充分获取目标的侧面纹理信息，这些信息是对目标进行真实感三维可视化描述的关键．在一些城市规划软件中，可利用地面近距离拍摄目标侧面，然而在军事侦察领域，则只能通过无人侦察机来实现尽可能近的距离拍摄．而且考虑到无人机的飞行高度的限制及领空权限等因素［7］，拍摄俯仰角φ、方位角θ的约束必然存在，而传感器的俯仰角和方位角则直接决定了其观测方向，二者是决定遥感观测时信息获取量的关键因素．

(1)遮挡 目标自身遮挡是造成特定角度观测时信息损失的主要因素．为获取目标的侧面纹理信息，分析不同观测角度与相应的遮挡情况是必要的．如图2所示，建筑a左侧面朝向矢量为n，当传感器S以观测方向Va去观测时，两矢量必须满足:

该侧面纹理信息才可能被观测到，否则会被遮挡．

图2 倾斜观测示意图Fig．2 Schematic diagram of oblique observation

(2)传感器的俯仰角约束 传感器的观测俯仰角取值是决定获取目标侧面信息量的一个关键参数，而一般情况下，由于遥感载荷自身飞行能力的约束，俯仰角的范围是有限的，因而设定俯仰角φ的最大取值为 φmax，有

(3)传感器方位角约束 传感器观测方位角的约束通常是由飞行路线限制引起的，在以目标为中心的360°全方位内，可能存在一个或多个禁入方位角区域Γlimit，方位角θ的约束为

(4)传感器观测角的灵敏度 传感器的俯仰角和方位角的可调精度是有限的，在实际飞行中，往往会因风速影响而难以达到很高的精度，即

由于文中研究针对的是理想观测角度的规划，因而经规划后在进行实际观测时，观测角度应尽可能根据规划方案实施，于是设置较高的观测角度可调精度为Δθ=Δφ=1°．

2 基于多面化分解模型的目标信息获取量分析

目标的三维结构和各个侧面纹理图像信息构成了其三维可视化所需的全部信息，对于一般目标来说，三维结构是能够通过两幅或多幅图像重构出来的，或者可以通过激光测距雷达捕获．因而评定观测角度优劣是以获取目标侧面纹理信息为重点．为此，文中提出基于多面化分解的目标信息获取量描述模型，以各侧面纹理信息获取量组合向量的形式来描述目标的完整信息，以保证目标各个侧面的纹理信息获取．

2．1 基于图像熵比率的目标单侧面信息获取量评估

从不同观测角度下目标单个侧面的信息获取量出发，考虑到遥感图像拍摄时的多种复杂限制因素以及熵对于信息量的描述能力，文中提出基于一种图像熵比率(IER)的统计模型来评估某一观测角下获取单侧面的信息量．定义某一个侧面的IER值R(α，β)为式中，h为灰度阶次，Eort为被观测面正视图的熵，E(α，β)为在观测方向与被观测面水平和垂直夹角分别为 α、β 时获取的图像的熵，Pαβ－i、Port－i分别为两幅图像中各个灰度级的分布概率．在计算图像熵时，将图像背景统一设置成255灰度，以保证熵主要随目标侧面部分的变化而变化．根据约束关系，如果不满足式(1)，则 R(α，β)=0．而对于单个侧面来说，正视图信息往往最大，即一般情况下R(α，β)≤1．

当观测点以(θ，φ)去观测目标时，根据被观测面的朝向，容易将(θ，φ)转化为(α，β)，并计算出相应的R(θ，φ)来实现当前侧面的信息获取量的评估．R(θ，φ)具有一定的一般性，因而不会随着被观测目标的变化而大幅变化．

R(θ，φ)的显示表达式是难以推导的，实验中先通过图像获取仿真系统获取一定数量的实测训练数据，然后采用一种基于BP神经网络的拟合技术来获得 R(θ，φ)的近似值．

2．2 基于多面化分解的观测角度与目标信息获取总量的关系模型

确定单侧面与拍摄角度的关系R(θ，φ)后，可进一步统计当以角度(θ，φ)观测目标时获得的总信息量．文中采用基于面拆分的目标信息获取量分析技术，将一个具有n个侧面的目标的信息获取总量，以其所有侧面的IER向量组合的形式来表示，即

式中:RSi(θ，φ)为第 i个侧面 Si的 R(θ，φ)．

对于一种采用k个观测点的多时相观测方案Θ，其各个观测点获取信息可表示为

一方面，旅游危机事件网络舆情系统结构以客观存在的行为主体、行为客体、行为结果、行为途径和行为环境为基础。旅游危机事件的客观存在是产生网络舆情的基本前提，事件当事人或利益攸关方、新闻媒体、官方代表及其他网民等舆情主体、传播媒介及外围因素等是实现旅游危机事件网络舆情传播的现实条件。旅游危机事件的线下进展是决定线上网络舆情传播走向的根本依据；舆情主体、传播媒介和外围因素是旅游危机事件网络舆情传播不可或缺的作用要素。

其中可能存在某一个侧面被多个观测点同时观测到的情况，而各个观测点对于该侧面的IER值不尽相同，于是选择其中最大的IER来描述当前侧面被获取的信息量，则该观测方案所能够获取的目标总信息量的描述矢量Δ为

3 基于蜂群算法的最佳观测方案规划

在多面化分解模型的基础上，目标信息获取优化问题转化为对多变量模型求解最值或在一定约束条件下的极值问题．文中采用擅长多变量优化的蜂群算法来实现最优解的搜索．蜂群算法由Karaboga等［10］提出，其改进算法［11-12］是一种模拟野生蜜蜂采蜜行为的算法，将采蜜蜂群分成E蜂、O蜂、S蜂．E蜂主要负责全局范围内的优化，O蜂主要负责针对E蜂找到的各个解的进一步局部邻域精细搜索，S蜂则是为避免算法陷入局部最优而生成新解．假设蜂群种群数为NP，蜂群采蜜追求最多的花蜜获取量．基本蜂群算法参考的蜂群采蜜流程可描述如下:首先由NP/2个E蜂找到NP/2个蜜源，并且将各个蜜源的信息返回给蜂巢，然后NP/2个O蜂衡量所有蜜源的花蜜量，以更大概率去采集花蜜量多的蜜源，以较小概率去采集花蜜量较少的蜜源．当某一蜜源接近枯竭时，相应的E蜂转职成S蜂，随机搜索新的蜜源．

文中将k个观测点的观测角组合向量D(D=(θ1，φ1，θ2，φ2，…，θk，φk))作为待优化量，对应于蜜蜂搜索到的某一蜜源的位置;将获取的信息总量Q或信息缺失量E作为评价函数，对应于当前蜜源的花蜜量情况．

在确定观测点数k后，D的长度则为2k．可根据客观拍摄的各种限定条件，调整设置输入角度的取值范围，使得D中各元素根据约束条件(2)、(3)来进行取值．

蜂群算法中E蜂和O蜂对D中各个元素的优化公式为

式中，t为迭代次数，i为当前蜜蜂序号，m为其它任意一个蜜蜂序号．根据式(9)可以看出，算法利用当前解与其它蜜蜂对应的解乘以一个［0，1］区间内的随机数来实现当前解的优化．而S蜂则是在D中各元素的取值范围内，随机生成一个新的D向量．根据约束条件(4)，需对式(9)结果进行取整，以保证每次优化后D中元素精度为1°．

4 实验仿真

为验证文中方法的有效性，搭建了无人机遥感观测目标仿真系统，以获得用于拟合R(θ，φ)的测试数据．目标仿真系统可以实现如图3(a)所示各类目标的仿真．文中对多种目标进行了验证，主要以如图3(b)所示建筑物为例展示实验流程．首先获取不同角度下的目标图像，计算在观测角(θ，φ)下目标不同朝向的各个侧面的IER值．仿真图像分辨率为0．5m/像素，考虑到成像几何失真是有利于三维信息繁衍的信息，而规划任务是面向理想的最大化信息获取量，因而在无特殊应用约束前提下，不需要将几何失真作为一项评价指标．

图3 仿真无人机获取的图像Fig．3 Simulated images collected by UAV

接着根据式(6)－(8)计算每种规划方案的信息获取描述向量Δ，再根据式(9)计算每种规划方案的Q值或E值，从而获得反映当前方案所能获取的总信息量情况．结合不同的观测约束条件，规划实验针对两种情况进行．

首先只考虑无人机的飞行能力限制和观测俯仰角限制，设置俯仰角最大值φmax=70°．为了找到较为合理的观测点数，对不同观测点数的规划方案优化前后所获得的Q值进行比较，结果如图4所示．从图4可知，随着观测点数的增加，Q值会逐渐增大，而利用文中方法优化后的规划方案较均匀方位规划方案可获得大幅度的Q值增长，8种观测点数下利用文中方法优化后的规划方案较均匀方位规划方案的最大Q值平均提高了58．5%;同时，当观测点数超过5时，文中方法所得Q值增加幅度不大，说明对于形如图3所示的长方体目标，利用5或6个观测点是较为合理和高效的，超过6个观测点是比较浪费的规划方式．

图4 不同规划方案获取的信息量比较Fig．4 Comparison of information collected with different number of observing points

不同观测点数下文中规划方案的优化结果如表1所示．

表1 不同观测点数下文中规划方案的优化结果Table 1 Optimization results obtained by the proposed method with different number of observing points

进而分析观测点数k=5时不同蜂群种群数对实验结果的影响．蜂群算法参数如下:种群NP=4，6，8，10，S 蜂触发变量为100，最大迭代数为1000．实验结果如图5所示，可见种群数越大时，算法收敛速度越快，但最终得到的最小信息缺失量差异不大，对于文中实验，NP=6时的优化结果相对比较理想．5个观测点下获取的图像如图6所示，该目标的各侧面纹理信息都被充分获取了．

图5 k=5时不同种群数下的优化结果Fig．5 Optimization results with different population when k=5

图6 5个观测点获取的图像Fig．6 Images collected at five optimized observing points

最后加入方位角限制进行优化实验．如图7所示，一定范围的方位角是禁止观测的．设定俯仰角最大值 φmax=70°，方位角限制范围 Γlimit⊆［0°，180°］，实验分析当 Γlimit从18°增加到162°时，规划方案优化前后不同规划方案最小信息缺失量的变化情况．

图7 受限制方位角示意图Fig．7 Schematic diagram of limited azimuth angles

如图8所示，随着Γlimit的增大，如果不采用优化的规划方案，只是采用一种随机的均匀分布策略去观测，即使利用5个观测点，所获取的信息量不及利用3个观测点的优化方案的观测结果;经过优化后，在Γlimit较小时，利用5个观测点可获得更理想的信息获取量，而在Γlimit较大时，增加观测点并不能大幅提高信息获取量．

图8 不同受限制方位角范围的优化结果Fig．8 Optimization results with different limited ranges of azimuth angle

5 结语

针对目标信息获取优化技术，面向无人机多时相遥感观测展开实验．通过对无人机遥感获取可见光图像的诸多约束条件分析，设置仿真环境，获取仿真图像，利用一种基于图像熵比率的信息获取量度量函数，并采用基于BP神经网络的方式对该函数进行隐式表达式拟合．进而提出一种基于多面化分解的目标信息获取量分析模型，并利用蜂群算法进行最佳规划方案的搜索，主要根据不同限制条件进行了两部分实验，结果表明，文中提出的目标信息获取优化技术是十分有效的．文中提出的多面化分析模型对于典型遥感观测目标是可靠的，然而当观测较为复杂的目标时，需要引入较多的分解面，数据处理量和处理时间会比较大，今后将针对复杂结构目标展开研究．

［1］ Dasgupta Prithviraj．A multiagent swarming system for distributed automatic target recognition using unmanned aerial vehicles［J］．IEEE Transactions on Systems，Man，and Cybernetics-Part A:Systems and Humans，2008，38(3):549-563．

［2］ Karantzalos Konstantinos，Paragios Nikos．Recognition-driven two-dimensional competing priors toward automatic and accurate building detection［J］．IEEE Transactions on Geo-science and Remote Sensing，2009，47(1):133-144．

［3］ Laliberte Andrea S，Rango Albert．Texture and scale in object-based analysisofsubdecimeterresolution unmanned aerial vehicle(UAV)imagery ［J］．IEEE Transactions on Geoscience and Remote Sensing，2009，47(3):761-770．

［4］ Kim Jongrae，Crassidis John L．UAV path planning for maximum visibility of ground targets in an urban area［C］∥Proceedings of the 13th Conference on Information Fusion．Edinburgh:IEEE，2010:1-7．

［5］ Gans N R，Shen J，Curtis J W．Selection of a UAV orbit to keep multiple targets in the camera field of view［C］∥Proceedings of IEEE International Symposium on Intelligent Control．Yokohama:IEEE，2010:807-812．

［6］ Li Wei，Zhang Wei．Path planning of UAVs swarm using ant colony system［C］∥Proceedings of the Fifth International Conference on Natural Computation．Tianjin:IEEE，2009:288-292．

［7］ Chen Huiying，Li Youfu．Dynamic view planning by effective particles for three-dimensional tracking［J］．IEEE Transactions on Systems，Man，and Cybernetics-Part B:Cybernetics，2009，39(1):242-253．

［8］ Ding Xu Chu，Rahmani Amir R，Egerstedt Magnus．Multi-UAV convoy protection:an optimal approach to path planning and coordination ［J］．IEEE Transactions on Robitics，2010，26(2):256-268．

［9］ Vasquez-Gomez Juan Irving，Lopez-Damian Efrain，Sucar Luis Enrique．View planning for 3D object reconstruction［C］∥Proceedings of IEEE/RSJ International Conference on Intelligent Robots and Systems．St．Louis:IEEE，2009:4015-4020．

［10］ Karaboga D，Basturk B．On the performance of artificial bee colony(ABC)algorithm ［J］．Applied Soft Computing，2008，8(1):687-697．

［11］ Karaboga Dervis，Akay Bahriye．A comparative study of artificial bee colony algorithm ［J］．Applied Mathematics and Computation，2009，214(1):108-132．

［12］ Akbari Reza，Mohammadi Alireza，Ziarati Koorush．A novel bee swarm optimization algorithm for numerical function optimization ［J］．Communicationsin Nonlinear Science Numerical Simulation，2010，15(10):3142-3155．